Évaluation de la performance de stratégies logistiques inverses dans le secteur de la vente au détail par la simulation à base d’agents

UNIVERSITÉ DE MONTRÉAL

ÉVALUATION DE LA PERFORMANCE DE STRATÉGIES LOGISTIQUES INVERSES DANS LE SECTEUR DE LA VENTE AU DÉTAIL PAR LA SIMULATION À BASE

D’AGENTS

JEAN-GABRIEL FARMER

DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL

MÉMOIRE PRÉSENTÉ EN VUE DE L’OBTENTION DU DIPLÔME DE MAÎTRISE ÈS SCIENCES APPLIQUÉES

(GÉNIE INDUSTRIEL) AOÛT 2015

UNIVERSITÉ DE MONTRÉAL

ÉCOLE POLYTECHNIQUE DE MONTRÉAL

Ce mémoire intitulé :

ÉVALUATION DE LA PERFORMANCE DE STRATÉGIES LOGISTIQUES DANS LE SECTEUR DE LA VENTE AU DÉTAIL PAR LA SIMULATION À BASE D’AGENTS

présenté par : FARMER Jean-Gabriel

en vue de l’obtention du diplôme de : Maîtrise ès sciences appliquées a été dûment accepté par le jury d’examen constitué de :

Mme RIOPEL Diane, Doctorat, présidente

M. FRAYRET Jean-Marc, Ph. D., membre et directeur de recherche M. BASSETTO Samuel, Doctorat, membre

DÉDICACE

REMERCIEMENTS

J’aimerais remercier mon directeur de recherche, Jean-Marc Frayret, pour m’avoir guidé et soutenu dans l’accomplissement de ce projet. M. Frayret m’a également appris à comprendre les enjeux reliés à mon projet, les avenues potentielles à explorer et à bien développer la démarche scientifique appliquée à mon projet. J’aimerais également remercier Lucas Garin, qui a codé l’algorithme d’optimisation des routes utilisé dans quelques-unes des expériences. Grâce à ses talents en informatique, nous avons été en mesure de tester de manière efficace l’impact logistique de certains scénarios envisagés.

Je souhaite ensuite remercier énormément les personnes-ressources chez Renaissance, soit Éric St-Arnaud, directeur des opérations, et Jean O’Neil, superviseur du transport, pour m’avoir supporté et permis de concrétiser ce projet.

Finalement, j’aimerais souligner l’aide d’Alvaro Gil, qui m’a rendu de précieux services et conseils en tant qu’expert d’Anylogic.

RÉSUMÉ

Une bonne gestion de la chaîne d’approvisionnement est primordiale au bon contrôle des coûts d’une entreprise et à l’amélioration de la performance. Le désir de retirer un maximum de chaque dollar investi pousse les entreprises à devoir constamment réévaluer la performance des procédures établies. Devant la complexité amenée par la chaîne d’approvisionnement, ce mémoire propose une approche de simulation à base d’agents afin d’évaluer la performance de plusieurs stratégies logistiques pour Renaissance, un organisme à but non-lucratif œuvrant dans le secteur de la vente au détail d’articles usagés. L’organisme se trouve dans un contexte urbain en forte croissance et doit planifier de manière efficace ses opérations afin d’effectuer à la fois des collectes et des livraisons à chaque site. La technique de simulation à base d’agents s’est avérée efficace afin d’effectuer, dans un premier temps, un diagnostic des opérations actuelles et, dans un deuxième temps, l’évaluation de stratégies logistiques potentielles selon plusieurs scénarios de croissance. Les stratégies évaluées concernent soit des modifications dans la gestion de la flotte de camions, soit dans le moment de visite des sites ou bien dans un changement relié à la procédure de collecte et livraison des sites. Les indicateurs de performance majeurs utilisés sont la distance parcourue, le temps requis par jour et les émissions de CO2. En logistique verte, ce mémoire est également une autre application démontrant qu’il est possible d’utiliser les bases de données d’émissions de CO2 afin de simuler les implications environnementales de scénarios en fonction des types de camions et cycles de conduite.

Les principales conclusions sont que la réduction du temps voyagé et de la distance parcourue implique souvent une hausse des émissions en CO2, à cause de l’utilisation de plus gros camions. Également, les contraintes d’accessibilité des sites et la flotte de camions actuellement utilisée entraînent une réduction de la performance logistique de l’ordre de 10% à 25%. Dans un autre ordre d’idées, la stratégie de visite des sites la nuit peut entraîner une diminution du temps moyen requis par jour d’environ 10%. Or, les restrictions municipales sur l’accès à certains sites par des camions durant la nuit limitent le potentiel de bénéfices amené par cette stratégie. À court-terme, la meilleure stratégie porte sur la modification de la flotte actuelle pour utiliser deux camions 36’ pour visiter aussi les centres de dons par opposition aux magasins seulement. Cette stratégie pourrait amener des bénéfices de l’ordre de 10% à 20% sur le temps et la distance totale, en n’impliquant qu’une minime hausse des émissions de CO2.

ABSTRACT

A good supply chain management is essential in order to control costs and to ensure business success. The desire to maximize the return on investment forces companies to continuously review the procedures in place and their performance in order to confirm that they still are the most appropriate. Considering the complexities incurred by supply chain management, this paper proposes to use an agent-based simulation model approach to evaluate the performance of multiple potential logistics strategies for Renaissance, an non-profit organization in the second-hand retail business. This organization faces a strong growth in an urban context and has to efficiently plan its operations to both collect and deliver goods at every site. The agent-based simulation technique has proven to be capable to, in the first place, make an assessment of the current operations and then to evaluate potential logistics strategies in different growth scenarios. Envisaged strategies concern modifications either to the trucks fleet, to the time of sites visit or to the procedure in place to collect and deliver goods. The main key performance indicators used are the time per day, the distance travelled and the CO2 emissions. Also, in green logistics, this paper serves as another practical application of the possibility to use CO2 emissions databases to simulate environmental implications of scenarios, based on the types of trucks used and the drive cycles.

The main conclusions of this paper are that decreasing time and distance travelled usually comes with an increase of CO2 emissions, due to the use of bigger trucks. Also, the current sites’ accessibility and fleet constraints affect the logistics performance by 10% to 25%. With regards to the strategies, visiting sites at night has the potential to decrease the travelling time by 10%. However, current municipal restrictions restraining trucks’ accessibility at night limit the benefits of this strategy. The best short-term strategy consists of the modification of the current fleet usage to use two 36’ trucks to visit both donation centers and stores, as opposed to only stores. This strategy could potentially bring 10% to 20% benefits of time and distance, while having only a minimal impact on CO2 emissions.

TABLE DES MATIÈRES

INTRODUCTION ... 1   Problématique étudiée ... 3   Objectif du mémoire ... 3   Objectif général ... 3   Objectifs spécifiques ... 4   Structure du mémoire ... 4  

CHAPITRE 1   REVUE BIBLIOGRAPHIQUE ... 6  

1.1   La chaîne d’approvisionnement ... 6  

1.2   La logistique inverse ... 6  

1.3   Le problème de transport ... 9  

1.4   Outils d’optimisation ... 10  

1.5   La simulation à base d’agents ... 11  

CHAPITRE 2   DÉMARCHE DE L’ENSEMBLE DU TRAVAIL DE RECHERCHE ET ORGANISATION GÉNÉRALE DU DOCUMENT ... 13  

2.1   Démarche de l’ensemble du travail de recherche ... 13  

2.2   Organisation générale du document ... 13  

CHAPITRE 3   MÉTHODOLOGIE ... 15  

3.1   Contexte, enjeux et collecte de données ... 15  

3.2   Programmation d’un algorithme de création de routes optimales ... 15  

3.3   Création du modèle et validation ... 16  

3.4   Diagnostic des opérations actuelles ... 17  

3.5   Évaluation des stratégies logistiques selon les scénarios de croissance envisagés ... 17  

3.6   Recommandations ... 20  

CHAPITRE 4   ARTICLE 1: SIMULATION-BASED OPTIMIZATION OF REVERSE LOGISTICS STRATEGIES IN A SECOND-HAND GOODS COMPANY ... 21  

4.1   Introduction ... 21  

4.1.1   Reverse logistics in a second-hand goods context ... 21  

4.1.2   Objectives ... 22  

4.2   Literature review ... 22  

4.2.1   Reverse logistics ... 22  

4.2.2   Logistic strategy optimization ... 23  

4.3   Simulation model ... 25  

4.3.1   General overview ... 25  

4.3.2   Model description ... 30  

4.4   Methodology and experiments ... 35  

4.4.1   Model Implementation ... 35  

4.4.2   Model setup and validation ... 36  

4.4.3   Experimental design and methodology ... 36  

4.5   Results and analysis ... 39  

4.5.1   Model validation ... 39  

4.5.2   Experimental results and analysis ... 40  

4.6   Discussion and conclusion ... 48  

4.7   Acknowledgment ... 50  

CHAPITRE 5   DISCUSSION GÉNÉRALE ... 53  

5.1   Discussion sur la méthode ... 53  

5.2   Discussion pratique ... 54  

5.3   Leçons et apprentissages ... 56  

CHAPITRE 6   CONCLUSION, RECOMMANDATIONS ET TRAVAUX FUTURS ... 58  

BIBLIOGRAPHIE ... 59  

LISTE DES TABLEAUX

Tableau 3.1 : Plan d'expériences ... 20  

Table 4.1: Capacity of trucks in the fleet ... 32

Table 4.2: Travel times matrices used in the model ... 34

Table 4.3: Design of experiments ... 37

Table 4.4: Changes implied by each growth scenario ... 38

Table 4.5: Average truck utilization and latest stores delivery time in current strategy ... 42

Table 4.6: Average truck utilization and latest stores delivery time, delivery at night ... 44

Table 4.7: Average utilization usage and latest stores delivery time, using two 36' trucks ... 46

LISTE DES FIGURES

Figure 1: Contribution de chaque catégorie de dons au revenu total ... 2  

Figure 1.1: La logistique inverse dans la chaîne d'approvisionnement ... 7  

Figure 4.1: Process flows ... 27  

Figure 4.2: Products and bins flows ... 28  

Figure 4.3: Revenue as a function of the number of donations delivered ... 29  

Figure 4.4: Fuel consumption vs. drive cycle average speed for class 2, 6 and 8 trucks (Delorme et al., 2009) ... 35  

Figure 4.5: Real and simulated revenue in function of the number of goods received ... 40  

Figure 4.6: (a) Distance travelled and CO2 emissions, current strategy, (b) total time per day and per shift, current strategy ... 41  

Figure 4.7: (a) Distance travelled and CO2 emissions, delivery at night, (b) total time per day and per shift, delivery at night ... 43  

Figure 4.8: (a) Distance travelled and CO2 emissions, using 2 36’ trucks, (b) total time per day and per shift, using 2 36’ trucks ... 45  

Figure 4.9: (a) Distance travelled and CO2 emissions, direct delivery, (b) total time per day and per shift, direct delivery ... 47  

Figure 5.1: Écart de chaque stratégie par rapport à la stratégie actuelle, par indicateur de performance ... 55  

LISTE DES SIGLES ET ABRÉVIATIONS

ABS Agent-based modeling KPI Key Performance Indicator SBA Simulation à base d’agents VRP Vehicle Routing Problem

LISTE DES ANNEXES

ANNEXE A – COMPOSANTES DU MODÈLE ET DÉMARCHES ENTREPRISES POUR LES OBTENIR ... 63  

INTRODUCTION

Dans une entreprise, beaucoup de dirigeants se concentrent habituellement sur des aspects commerciaux pour croître, tels que la pénétration de marché, le bassin de clients, la publicité, etc. Dans un contexte où il devient de plus en plus difficile d’accumuler le capital nécessaire pour investir dans de la publicité ou pour ouvrir de nouveaux magasins, les dirigeants doivent apprendre à considérer leur entreprise sous un autre œil afin d’être en mesure de préserver une bonne croissance. Les entreprises ne se basent désormais plus seulement sur les revenus qu’elles sont capables d’amener et sur la croissance des ventes; mais, de plus en plus, elles se sensibilisent à l’importance de la performance des opérations. Elles comprennent que le profit peut s’accroître non seulement en augmentant les ventes, mais également en diminuant les coûts. La gestion de la chaîne d’approvisionnement représente une partie importante des coûts engendrés; son analyse et son optimisation constituent donc des atouts majeurs afin de mieux gérer la performance opérationnelle.

Ce mémoire propose d’étudier les activités logistiques de Renaissance, un organisme à but non-lucratif œuvrant dans la vente au détail d’articles usagés. Cet organisme a été créé en 1994 dans le but d’offrir un programme de réinsertion sociale aux personnes sans emploi, en ayant mis sur pied un réseau de collecte et de revente de biens usagés à faible prix. Renaissance est également membre du réseau Goodwill Industries, qui a contribué au placement de 189 000 personnes en 2011. L’organisme compte ainsi plusieurs dizaines d’employés qui sont continuellement formés à effectuer les opérations quotidiennes de collecte, de distribution et de revente de dons faits par la population de Montréal et les environs. Son réseau logistique se compose de plusieurs divisions, soit les centres de dons, les boîtes de dons, les magasins et un centre de distribution. Le type de dons collectés et revendus représente un très large éventail de produits, allant des vêtements jusqu’aux électroniques, et en passant par les meubles. La figure 1 illustre la contribution de chaque catégorie sur le revenu total de l’entreprise.

Figure 1: Contribution de chaque catégorie de dons au revenu total

Dans le marché de la vente au détail, Renaissance se démarque de ses compétiteurs en offrant des produits usagés à bas prix, que les consommateurs cibles ne pourraient s’acheter à prix régulier. Devant le succès de l’organisme, certains compétiteurs à but lucratif ont commencé à faire leur apparition afin de vendre des biens usagés. Ceux-ci viennent déloger Renaissance de son statut de seule entreprise offrant ce type de services à Montréal et la pousse donc à considérer de nouvelles avenues pour conserver ses parts de marché. Ce mémoire propose donc d’étudier les activités logistiques de Renaissance et d’étudier différentes stratégies logistiques potentielles afin de les aider à optimiser leur performance opérationnelle pour permettre une meilleure croissance. Un diagnostic sera effectué et des stratégies potentielles seront étudiées en utilisant un outil d’analyse puissant, soit la simulation à base d’agents. Cette technique est utilisée dans des contextes dynamiques et complexes tel que la chaîne d’approvisionnement. La simulation à base d’agents vise à modéliser les interactions de plusieurs acteurs dans un système, appelés agents, ayant la capacité de prendre des décisions et de réagir en fonction de leur environnement. Cette approche est une bonne façon de simuler les prises de décisions humaines et leurs interdépendances mutuelles. Il est donc possible d’étudier différents scénarios et stratégies logistiques grâce à cette méthode.

Problématique étudiée

La croissance marquée des dernières années force l’organisme à constamment revoir ses processus et stratégies logistiques afin de bien préparer l’expansion future de ses activités. Ce projet implique donc dans un premier temps la réalisation de l’analyse du réseau logistique actuel dans le but d’effectuer un diagnostic des éléments critiques et de la performance des opérations. Dans un deuxième temps, des recommandations sur la stratégie logistique à adopter pour supporter la croissance de l’organisme seront élaborées.

Une des principales difficultés du projet réside dans la complexité du système logistique de collecte et de distribution des dons. En premier lieu, Renaissance transporte vers le centre de distribution et ultimement vers les magasins des dons qu'elle a préalablement collectés dans ses centres de dons. Également, Renaissance transporte différents types de bacs de transport pleins et vides des magasins vers les centres de dons et de distribution. Par soucis de simplification et de rationalisation des tournées, Renaissance réalise ces activités de collecte et distribution de manière indépendante, puisque que tous les dons passent systématiquement par le centre de distribution. En somme, tous les sites présents dans le réseau comportent à la fois des biens à collecter et d’autres à livrer. Par conséquent, les stratégies où les dons pourraient être collectés et redistribués dans la même tournée de véhicule complexifient grandement pour l'entreprise le problème de construction des routes. Dans un autre ordre d’idées, la variabilité du nombre de dons reçus et demandés par les magasins aident aussi à illustrer la complexité du problème étudié. Un outil informatique de simulation permettra ainsi d'évaluer diverses stratégies logistiques en fonction de quelques scénarios de croissance potentiels, tant du point de vue de l’utilisation de la flotte de camions, que du point de vue de la stratégie de collecte et livraison.

Objectif du mémoire

Cette section décrit les objectifs généraux et spécifiques du mémoire.

Objectif général

Dans un premier temps, ce projet a pour objectif d’effectuer un diagnostic des opérations logistiques actuelles de l’organisme Renaissance. Dans un deuxième temps, le projet vise à

étudier différentes stratégies logistiques selon plusieurs scénarios de croissance afin de fournir des recommandations pour soutenir une expansion future de ses activités.

Objectifs spécifiques

Afin d’atteindre l’objectif général du projet, une série d’objectifs spécifiques a été élaborée : • Modéliser le système logistique de Renaissance et identifier les contraintes;

• Développer un algorithme de construction de routes afin de supporter l’étude de stratégies logistiques1;

• Faire un diagnostic des opérations actuelles;

• Définir avec l’entreprise un ensemble de scénarios de croissance et de stratégies logistiques à étudier et évaluer leur performance :

o Évaluer les impacts logistiques d’une croissance de 10% et 20% avec la stratégie logistique actuelle;

o Évaluer les impacts logistiques de collecter et livrer les dons en partie la nuit, selon trois scénarios de croissance;

o Évaluer les impacts logistiques d’utiliser deux remorques 36’ dans les routes de collecte des centres de don, selon les trois scénarios de croissance;

o Évaluer les impacts logistiques de collecter les centres de dons et livrer directement aux magasins, selon les trois scénarios de croissance.

• Formuler des recommandations pour améliorer le réseau logistique actuel et futur.

Structure du mémoire

Le mémoire est structuré en présentant en premier lieu une revue de la littérature pertinente pour le projet (Chapitre 1). Ensuite, le Chapitre 2 porte sur la démarche et la méthodologie entreprises pour réaliser les objectifs. Le Chapitre 3 présente un article soumis au mois d’août 2015 à la

revue International Journal of Production Research, expliquant le modèle développé, sa structure, les stratégies étudiées ainsi que les résultats obtenus. Aussi, il présente une interprétation des résultats et contient des recommandations logistiques. Ensuite, le Chapitre 4 présente une discussion sur les résultats obtenus et finalement une conclusion présente des travaux futurs potentiels reliés au projet.

CHAPITRE 1

REVUE BIBLIOGRAPHIQUE

1.1 La chaîne d’approvisionnement

La chaîne d’approvisionnement comporte plusieurs maillons requérant chacun une stratégie logistique différente, tout en exigeant un parfait synchronisme afin d’assurer une bonne performance. De l’extraction de la matière première jusqu’à la livraison du produit final, plusieurs intermédiaires interviennent, comme le manufacturier, le centre de distribution du grossiste, le centre de distribution du détaillant et les magasins. La mise en place d’une bonne stratégie logistique est primordiale pour le bon fonctionnement des opérations. Dans l’industrie de la vente au détail, les stratégies logistiques ont été extensivement étudiées et présentent des défis logistiques très intéressants amenés par le contact direct avec le consommateur final. Certaines études se concentrent sur les impacts potentiels d’une gestion en flux tirés au lieu d’en flux poussés (Zhang, 2008), d’autres analysent les bénéfices potentiels apportés par l’intégration totale d’un système d’information et de technologies de suivi de produits (Watanarawee, 2010), tandis que d’autres expliquent les bénéfices de créer des partenariats stratégiques entre tous les maillons de la chaîne d’approvisionnement (Ryu, 2009).

Dans ses premiers balbutiements, le contrôle de la chaîne d’approvisionnement se trouvait dans les mains des manufacturiers, forçant ainsi les fournisseurs et les détaillants à s’aligner avec leurs opérations. La croissance de la vente de produits à rabais et des magasins à grande surface a causé un changement radical des marchés, déplaçant ainsi le contrôle de la chaîne d’approvisionnement des manufacturiers vers les détaillants (Arnold, 2002). En ce sens, l’accroissement du pouvoir de la demande, voire des consommateurs, fait en sorte que la bonne compréhension et gestion de la chaîne d’approvisionnement par les détaillants est de plus en plus primordiale (Davies, 2009).

1.2 La logistique inverse

Le modèle d’affaires de Renaissance faisant en sorte de récupérer des articles qui ont été vendus et leur donner une deuxième vie en les revendant convient au concept de logistique inverse. Selon le Council of Logistics Management, ce concept est défini comme étant :

[Notre traduction] « […] utilisé pour faire référence au rôle de la logistique dans le recyclage, la disposition des déchets, et la gestion des matières dangereuses; une perspective plus large inclut toutes les questions relatives aux activités logistiques menant à une réduction de l’approvisionnement externe, au recyclage, à la substitution et à la réutilisation des matériaux et à leur disposition. » (De Brito, 2004)

La logistique inverse intervient en fait à l’endroit exact où la chaîne d’approvisionnement traditionnelle se termine, c’est-à-dire à l’étape de la première vente au consommateur. Le schéma suivant vise à illustrer la position de la logistique inverse dans la chaîne d’approvisionnement (Zhao, 2008). Dans le schéma, les lignes pointillées indiquent la chaîne d’approvisionnement traditionnelle, tandis que les lignes pleines indiquent le cheminement de la logistique inverse.

On peut observer que le concept de base de la logistique inverse réside dans la réutilisation de produits qui seraient normalement considérés en fin de vie, soit pour une transformation en un produit dérivé, ou bien pour réutiliser la matière première et refaire d’autres produits complètement différents. En effet, après avoir utilisé son produit, le consommateur fait face à une décision pour disposer de son produit de la meilleure manière possible (Olshavsky, 1985). Les arguments majeurs pour tenter de récupérer le mieux possible les produits ont majoritairement trait à la volonté de réduire l’impact environnemental de notre consommation à long terme et développer un système de développement durable (Sarkis, Helms, & Hervani, 2010). On emploie alors le terme de logistique verte pour désigner la sensibilisation face à l’environnement dans le contexte de logistique inverse (Guoyi, 2011). Le recyclage de nos produits ménagers est un exemple typique de la logistique inverse qu’on peut observer à tous les jours. Les secteurs

Collecte Tri Reconditionnement Redistribution Réutilisation Approvisionnement Production Distribution Utilisation Enfouissement

d’applications de la logistique inverse peuvent toucher soit directement les produits, ou bien encore l’emballage dans lequel ils sont contenus. Rogers et Tibben-Lembke (1999) listent les activités principales touchant les produits comme étant, entre autres, le retour du produit aux fournisseurs, la revente, la récupération et le reconditionnement en vue de revente. Du côté de la logistique relative aux emballages, les activités ont plutôt attrait à leur réutilisation pour un autre produit, à une remise à neuf ou bien à leur décomposition pour récupérer la matière première (Rogers, 1999). En plus de vouloir contribuer à l’environnement, les compagnies cherchent le plus possible à maximiser la rentabilité des activités de logistique inverse. Ainsi, dans un contexte où des produits usagés sont récupérés en vue de la revente, les opérations de Renaissance conviennent donc très bien à cette définition de logistique verte.

Une bonne gestion de la logistique inverse amène des défis très intéressants. Un des défis principaux, en comparaison avec la chaîne d’approvisionnement traditionnelle, réside dans l’incertitude reliée aux produits qui seront collectés. En effet, dans une chaîne d’approvisionnement traditionnelle, où les produits partent des fournisseurs, il est plutôt facile de contrôler et de prévoir la qualité des produits qui seront reçus. À l’inverse, il est très difficile de prévoir la qualité des produits usagés qui sont collectés afin d’être reconditionnés. Également, étant donné que le volume d’apport de produits usagés dans la chaîne logistique inverse est contrôlé par les consommateurs, il est beaucoup plus difficile de planifier les activités afin d’avoir une performance logistique optimale (Zhao, 2008). Ces défis emmènent donc des complexités opérationnelles autant du côté de la planification des ressources humaines que matérielles. Maynard et al. (2013) présentent une étude de cas très intéressante sur les défis opérationnels apportés par la logistique inverse en effectuant une étude de cas sur l’organisme Oxfam.

Tel qu’il est stipulé par Goodhue (Goodhue, 2014), l’évolution normale d’une entreprise dans la vente au détail passe normalement en premier par la croissance du nombre de magasins, des produits vendus et par l’acquisition de la plus grande clientèle possible. À un certain stade, l’évolution normale des opérations de l’entreprise n’arrive plus à soutenir la croissance de la demande, faute de ressources ou de capital. Il est donc primordial pour l’entreprise d’évaluer l’implémentation de nouvelles stratégies, que ce soit par le biais de nouvelles technologies (par exemple un système informatique), de meilleurs équipements ou bien par l’optimisation des opérations. L’évaluation de stratégies logistiques afin d’optimiser les opérations pour soutenir la

croissance de Renaissance s’insère donc parfaitement dans cette définition du cadre normal de l’évolution des entreprises.

Sur un autre point, une des manières essentielles d’établir une bonne base de clientèle réside dans une grande offre des stocks. En même temps, les détaillants exigent de plus en plus des délais de transport rapides et des livraisons plus fréquentes afin de diminuer l’espace requis en entreposage (Gunther, 2010). La gestion de la chaîne d’approvisionnement cherche donc à trouver un équilibre entre les coûts reliés au transport et ceux reliés à l’entreposage. Non seulement une grande part des coûts engendrés par la chaîne d’approvisionnement réside dans les coûts reliés au transport, mais les entreprises deviennent aussi de plus en plus conscientisées à l’impact environnemental (émissions CO2) de leur flotte de camions. Les opportunités d’amélioration des stratégies de transport sont donc une excellente voie à considérer afin d’améliorer la performance opérationnelle des détaillants.

1.3 Le problème de transport

Dans la littérature scientifique, ce problème, connu sous le terme « problème de transport » (« Vehicle Routing Problem »), est très étudié par les scientifiques en recherche opérationnelle parce qu’il a de multiples applications dans la vie réelle (Panapinun & Charnsethikul, 2005). Laporte fait une revue des différents types d’études de routes de véhicules qui ont été réalisées dans le cadre de l’optimisation du transport. Dans sa forme la plus simple, le problème de transport consiste à créer des routes de camions de telle sorte que chaque site soit visité exactement une fois par un seul camion et où tous les véhicules commencent et reviennent à un dépôt, tout en tenant compte de certaines contraintes. Le type de contraintes qu’on peut retrouver dans ces problèmes peut concerner par exemple une capacité maximale des camions, des fenêtres de temps pour visiter les sites ou bien un temps total maximal pour chaque route (Laporte, 1992). En complément au problème d’optimisation des routes ci-haut mentionné, le terme « logistique urbaine » est également défini afin de désigner les défis spécifiques apportés par la logistique dans un contexte urbain, caractérisé par des temps de routes hautement variables en raison du trafic (Pillac, Gendreau, Guéret, & Medaglia, 2013). Une application typique de la logistique urbaine est la livraison du courrier, présente dans la majorité des milieux urbains. Le lecteur intéressé à la logistique urbaine peut en apprendre un peu plus avec les articles de Barcelo et al. (2007) et Zempekis et al. (2007). Une autre variante du problème de tournée de véhicules, qui

concerne le sujet de ce mémoire, est l’optimisation du transport dans un contexte où chaque site comporte à la fois des collectes et des livraisons. La différence majeure avec le problème de transport typique est que les sites ne comportent habituellement qu’une des deux activités, tandis que, dans ce mémoire, il peut y avoir des routes dites mixtes ou simultanées. Cette particularité vient beaucoup complexifier le problème d’optimisation et de planification des routes, étant donné que le camion est presque toujours à pleine capacité. Ainsi, à chaque site, la capacité utilisée du camion peut soit augmenter ou bien diminuer, selon la quantité de produits à livrer et à collecter. La détermination et la planification d’une solution performante sont donc beaucoup plus difficiles à atteindre (Nagy, Wassan, & Salhi, 2013).

1.4 Outils d’optimisation

Afin d’optimiser la chaîne d’approvisionnement, les logisticiens peuvent avoir recours à plusieurs techniques. Dans les méthodes d’optimisation traditionnelles, on retrouve entres autres, dans le secteur de la recherche opérationnelle, la programmation mathématique et la création de modèles théoriques de gestion des stocks. Le lecteur intéressé à ces méthodes peut se référer à l’article de Dekker et al. (2012), dans lequel l’auteur effectue une revue des outils d’optimisation applicables au domaine de la logistique verte. Dans des contextes présentant beaucoup de variabilité sur les données, la performance de ces outils pour trouver une solution optimale s’améliore de plus en plus. Cependant, il reste toujours difficile de traiter des problèmes comportant des situations complexes, comme lorsqu’il y a de nombreux évènements simultanés, lorsque le comportement ou la prise de décision de certains maillons de la chaîne d’approvisionnement a une influence directe sur d’autres, ou bien dans des contextes non-déterministes. Dans ces cas particuliers, on a plutôt recours à des outils de simulation. La simulation est utilisée dans des contextes stochastiques dans lesquels l’utilisateur cherche à analyser beaucoup plus les tendances et comportements récurrents qu’à identifier la solution optimale. Elle consiste en la représentation de la réalité de manière simplifiée par le biais d’une modèle virtuel dans lequel le phénomène auquel on s’intéresse est défini par un ensemble de variables d’entrée et de sortie, en plus de règles régissant les liens entre elles (Gilbert & Troitzsch, 2005). La simulation est reconnue comme étant la meilleure méthode pour reproduire un système logistique le plus près possible de la réalité afin de l’analyser (Othman & Mustaffa, 2012). Cartier et Forgues (2006) ont fait une revue des avantages reliés à l’utilisation de la simulation dans les sciences appliquées en gestion.

Il existe trois grandes catégories de simulation, soit la simulation à évènements discrets, celle de la dynamique des systèmes et la simulation multi-agents. La simulation à évènements discrets est utilisée dans un cadre de séquencement de plusieurs évènements, où chaque évènement est précédé d’un autre et où le temps du modèle avance de manière incrémentale. Dans ce type de simulation, les évènements et le flot entre ceux-ci sont connus et sont régis par des lois de probabilités, des temps de processus et des règles de priorité connues. Par ailleurs, contrairement à la simulation à évènements discrets, qui est basée sur les processus, la simulation de dynamique des systèmes est plutôt basée sur une compréhension d’un système à haut niveau. Les entités du système, tel que les ressources, les produits et les évènements, sont agrégées et sont seulement représentées par des quantités, avec lesquelles on essaie de représenter des comportements généraux du système, tel que la variation des stocks. Ce niveau d’abstraction peut être utile pour étudier rapidement les tendances générales d’un système, mais ne convient définitivement pas à toutes les situations en étude de chaîne d’approvisionnement. De son côté, la simulation à base d’agents se concentre à un niveau de granularité beaucoup plus petit, en étudiant les interactions des entités au niveau individuel. Le lecteur souhaitant en apprendre plus sur les différences entre les catégories principales de simulation peut consulter l’article de Gilbert et Troitzsch (2005), dans lequel une revue de chaque type et des exemples d’applications sont décrits.

1.5 La simulation à base d’agents

La simulation à base d’agent (i.e. SBA) est une technique émergente (Macal & North, 2006) qui vise à modéliser les comportements individuels des entités d’un système, appelées agents. Ainsi, au lieu de modéliser les interactions entre les éléments, la SBA se concentre plutôt sur la manière dont les éléments réagissent en fonction de leur environnement, s’influencent mutuellement et prennent des décisions en fonction du contexte variant de manière dynamique. Barbati et al. (2012) ont effectué une revue de la littérature récente portant sur les applications de la SBA dans un contexte d’optimisation. Elle peut entre autres être utilisée pour étudier la chaîne d’approvisionnement en reproduisant les comportements des acteurs principaux. Plusieurs chercheurs décrivent les avantages de la SBA par rapport aux méthodes d’optimisation traditionnelles (Borshchev & Filippov, 2004; Scholl, 2001), tandis que d’autres discutent plus précisément des avantages de son utilisation dans le contexte d’écologie industrielle (Kraines & Wallace, 2008). Entres autres, les articles de Frayret (2007), Farnia (2013) et Sauvageau (2015)

donnent des exemples intéressants d’application de la SBA dans l’industrie des produits forestiers et de l’achat de vieux papier. Ce dernier article étudie la performance de différents modèles de politique d’approvisionnement et de production dans le domaine du papier recyclé. Plusieurs expériences simulant différents scénarios de politiques d’approvisionnement ont été effectuées afin de déterminer les impacts logistiques sur le système, tels que les coûts et l’inventaire. Également, Bollinger et al. (2012) ont réalisé un modèle portant sur le recyclage de téléphones cellulaires. Ce modèle présente beaucoup de similitudes avec le sujet de ce mémoire, soit la collecte et revente d’articles usagés. Par exemple, des contraintes d’incertitude quant à la quantité de matière première reçue, à sa qualité et aux taux de revente sont présentes dans les deux modèles. Une des différences majeures de ce modèle par rapport à celui décrit dans ce mémoire est qu’il modélise la chaîne d’approvisionnement dans un contexte de boucle fermée, c’est-à-dire en modélisant toutes les entités de la chaîne traditionnelle, soit du fabricant jusqu’au consommateur et, ensuite, de la collecte du bien usagé jusqu’au consommateur de l’article reconditionné. Le sujet de ce mémoire porte seulement sur la partie de la logistique inverse dans ce processus.

CHAPITRE 2

DÉMARCHE DE L’ENSEMBLE DU TRAVAIL DE

RECHERCHE ET ORGANISATION GÉNÉRALE DU DOCUMENT

2.1 Démarche de l’ensemble du travail de recherche

Ce chapitre décrit la démarche suivie au cours de ce projet de recherche et indique la cohérence de l’article par rapport aux objectifs de recherche. Tel que mentionné au Chapitre 1, les objectifs du projet consistent en l’élaboration d’un diagnostic des opérations logistiques de l’organisme Renaissance et ensuite, dans le développement et l’évaluation de différentes stratégies logistiques sous plusieurs scénarios de croissance à l’aide de la méthode de la simulation à base d’agents. Dans un deuxième temps, des recommandations sur les meilleures stratégies logistiques à adopter afin de soutenir la croissance de l’organisme ont été élaborées.

Afin d’atteindre ces objectifs, il a fallu en premier lieu bien comprendre le contexte et les opérations de l’organisme en effectuant des entrevues et de l’analyse de données. La prochaine étape consistait à programmer un algorithme d’optimisation des routes afin de supporter l’évaluation des diverses stratégies logistiques – la programmation de cet algorithme ne fait pas l’objet de ce mémoire. Ensuite, il a fallu modéliser le système logistique actuel de l’organisme et valider sa qualité, ce qui nous a permis d’effectuer un diagnostic des opérations à l’aide de plusieurs indicateurs de performance. La dernière étape a ensuite consisté en l’élaboration de différentes stratégies logistiques envisagées par l’organisme dans les années futures et en leur modélisation, pour ensuite fournir des recommandations sur les meilleures stratégies à adopter. L’article présenté dans ce mémoire et soumis au International Journal of Production Research vise à détailler la méthodologie employée, le développement du modèle de simulation à base d’agents ainsi que les méthodes de validation, en plus de présenter les résultats du diagnostic et de chaque stratégie logistique évaluée et les recommandations. Par le fait même, l’article sert à présenter une application démontrant la possibilité d’utiliser des bases de données d’émissions de CO2 afin d’évaluer l’impact environnemental de stratégies logistiques à l’aide de la simulation.

2.2 Organisation générale du document

Le Chapitre 1 présentait une introduction au contexte du mémoire ainsi qu’une revue de littérature pertinente sur le sujet étudié. Le Chapitre 3 présente ensuite en détail la méthodologie

employée. L’article fait par la suite l’objet du Chapitre 4, adapté afin d’être conforme à la structure de ce document. Finalement, le Chapitre 5 porte sur une discussion générale sur la méthode, sur les résultats et sur les apprentissages réalisés au cours du projet.

CHAPITRE 3

MÉTHODOLOGIE

Cette section décrit la méthodologie suivie pour réaliser le projet d’évaluation des meilleures stratégiques logistiques en fonction de différents scénarios de croissance.

3.1 Contexte, enjeux et collecte de données

La première étape du projet a été de bien comprendre le contexte, la dynamique et les enjeux reliés aux opérations de Renaissance. Cela a permis de bien saisir l’ampleur et la complexité des opérations et d’ainsi ajuster les objectifs du projet. Nous avons également rencontré les dirigeants de Renaissance afin de bien comprendre leurs objectifs et attentes en termes de résultats au terme du projet et d’identifier l’impact du projet sur leurs décisions stratégiques à moyen terme. Des ressources ont également été attitrées à l’interne, soit le directeur des opérations et le superviseur de transport, pour assister à des étapes cruciales du projet, telles que la collecte de données et l’identification de scénarios logistiques à évaluer. Le processus de collecte de données a ensuite été réalisé au moyen d’entrevues, des rapports d’entreprises, du serveur intranet de ventes de l’entreprise, en plus d’un deuxième serveur intranet concentré plutôt sur les activités opérationnelles. Le tableau situé en annexe A vise à indiquer en détail comment chaque paramètre a été collecté et analysé.

3.2 Programmation d’un algorithme de création de routes optimales

L’évaluation de scénarios logistiques nécessite de pouvoir recréer des routes de camions et ce, de manière optimale, afin de pouvoir tester le potentiel complet de chaque stratégie envisagée. Les scénarios de croissance évalués nécessitent eux aussi de modifier les routes des camions, étant donné l’ajout de nouveaux sites dans le réseau. Ce dernier élément est détaillé à la section 2.5. Cet algorithme a été créé par Lucas Garin à l’aide du logiciel R et a été conçu afin de trouver des routes optimales en respectant toutes les contraintes du réseau, telles que les capacités de camions et l’accessibilité des camions aux sites. Cet algorithme prend essentiellement en entrée les demandes de transport et fournit en sortie des routes optimisées. Une des problématiques rencontrées par Renaissance étant le haut niveau de temps supplémentaire effectué par les camions, la fonction-objectif de l’algorithme cherche donc à minimiser le temps maximal parcouru entre tous les camions, à chaque jour. Ceci permet d’assurer un bon équilibre entre

chacune des ressources attitrées au transport des biens. L’implémentation de ce logiciel ne fait pas partie du travail de ce mémoire.

3.3 Création du modèle et validation

Le modèle de simulation a été conçu sur le logiciel Anylogic. L’objectif de la modélisation sur ce logiciel a été de reproduire de la manière la plus fidèle possible à la réalité le système logistique de Renaissance. Ceci a permis d’effectuer en premier lieu un diagnostic des opérations actuelles et de pouvoir ainsi tester l’impact réel des différentes stratégies logistiques et scénarios de croissance envisagés. Les données et paramètres utilisés dans le modèle sont fondés sur les données recueillies chez Renaissance, tel que détaillé dans la section précédente. Elles ont été analysées et modélisées sous Anylogic soit sous forme de lois statistiques, soit en utilisant directement les données réelles, comme pour les routes de camions dans le diagnostic de la situation actuelle. Deux types de validation des données ont été effectués afin de s’assurer que le modèle est cohérent avec la réalité : la validation des variables dites indépendantes et celles des variables dépendantes. Ainsi, toutes les données modélisées sous forme de lois statistiques - constituant les données indépendantes entre elles - ont été comparées aux données réelles. Ensuite, pour s’assurer de la bonne réaction du système par rapport à l’ensemble des variables ayant une influence sur d’autres (comme le nombre d’articles vendus ou rejetés) et donc pour s’assurer de la validité des résultats obtenus, des expériences préliminaires ont été conduites afin de comparer quelques résultats spécifiques du modèle avec des données réelles. Ainsi, en premier lieu, nous avons comparé les revenus obtenus aux magasins avec les revenus réels totaux obtenus durant l’année chez Renaissance, et ce, en utilisant la valeur réelle moyenne d’un article vendu. Ceci a permis de valider le fait que nous avons bien modélisé le processus de création de revenus en fonction du nombre d’articles reçus dans le système. Dans un deuxième temps, nous avons comparé l’inventaire de bacs pleins restants en magasin à la fin de chaque journée avec les données réelles de l’organisme. Ceci a permis de valider que les processus de vente, de rejets et de rotations implantés dans le modèle sont cohérents avec la réalité. Également, nous avons pu confirmer avec cette expérience préliminaire que le modèle simule bien le processus de demande aux magasins en fonction de l’inventaire disponible. Avec ces validations, nous avons pu confirmer que l’ensemble du modèle est cohérent avec la réalité, ce qui nous a permis d’avoir confiance dans les résultats obtenus dans les simulations.

Les expériences ont été menées en récoltant les résultats quotidiens d’un horizon de 365 jours. Les résultats étant variables quotidiennement, mais assez stables au niveau du total annuel, il a été jugé que des simulations de dix réplications par expérience par la méthode Monte-Carlo sont appropriées. Ainsi, la moyenne des résultats de chacune des dix réplications a été utilisée afin d’interpréter les résultats de chaque expérience.

3.4 Diagnostic des opérations actuelles

Dans un premier temps, le modèle a été utilisé afin d’effectuer un diagnostic des opérations actuelles, voire selon la stratégie logistique actuelle, c’est-à-dire en utilisant exactement les mêmes camions qu’actuellement, les mêmes routes de camions, la même quantité de dons reçus, etc. Ce diagnostic, ainsi que les différentes stratégies logistiques présentées dans la prochaine section, a pu être effectué à l’aide d’indicateurs de performance implantés dans le modèle. Ces indicateurs de performance ont été établis en collaboration avec Renaissance, selon les différentes voies d’améliorations opérationnelles qu’ils désiraient tester. La liste suivante décrit les différents indicateurs de performance utilisés dans les expériences. Il est à noter que la manière dont ils ont été calculés est présentée à l’Annexe B.

• Distance totale parcourue pour tous les camions dans l’année;

• Émissions de CO2 totalesémises par tous les camions durant l’année; • Temps total moyen de transport de tous les camions par jour;

• Taux de remplissage moyen des camions; et, • Heure de fin de livraison des magasins.

3.5 Évaluation des stratégies logistiques selon les scénarios de

croissance envisagés

Le plan d’expériences a aussi été défini en collaboration avec Renaissance, selon les avenues potentielles pouvant survenir de manière réaliste dans les prochaines années. Ainsi, l’objectif des expériences est de tester différentes stratégies logistiques selon plusieurs scénarios de croissance. Les scénarios de croissance sont définis selon la quantité de dons entrant dans le système, ainsi que par le nombre de sites composant le réseau. Trois scénarios de croissance ont été définis, soit

le scénario actuel, c’est-à-dire avec la quantité de dons entrant actuelle et le nombre de sites actuels - tels qu’observés durant l’année 2014 -, un scénario de croissance de 10% et un scénario de croissance de 20%.

La source d’entrée des dons pour les scénarios de croissance de 10% et 20% est un élément majeur dans la modélisation de ces scénarios. En effet, le niveau de pénétration de marché des sites actuels est presque à saturation. Ainsi, une croissance de 10% et de 20% ne peut réalistement pas signifier une augmentation d’entrée de dons de manière uniforme dans les sites existants. La majorité de la croissance viendra plutôt par l’établissement de nouveaux sites et donc par la création de nouveaux marchés. Afin d’être cohérent avec cette réalité, nous avons donc convenu avec Renaissance que, pour les scénarios de 10% et 20%, le modèle comprendra l’ajout de trois nouveaux centres de dons aux 21 existants et un nouveau magasin aux dix existants. Trois de ces sites, incluant le magasin, se situent beaucoup plus loin du centre de distribution que les sites actuels, soit plus près des extrémités de la grande région métropolitaine de Montréal. Le pourcentage de la croissance venant des sites actuels a été défini comme étant d’environ 30% et l’équivalent du pourcentage de croissance restant vient en entier des nouveaux sites. Également, en partie à cause du plus grand éloignement de ces nouveaux sites par rapport au centre de distribution, l’ajout de ces quatre nouveaux sites engendre l’utilisation d’un camion additionnel dans la flotte. Cette façon de modéliser permet donc de simuler de manière réaliste la croissance de l’organisme par la pénétration de nouveaux marchés. Il est aussi important de mentionner que la croissance normale de l’organisme varie actuellement autour de 10% par année. Ainsi, le scénario de croissance actuel constitue un scénario pessimiste, celui de 10% un scénario réaliste et enfin, celui de 20%, un scénario optimiste.

Nous avons ensuite défini trois principales stratégies logistiques à évaluer. Une quatrième a de plus été évaluée pour fin de comparaison, mais ses résultats n’ont pas été mentionnés dans l’article. Chaque stratégie logistique influence plusieurs éléments du système logistique, soit les routes des camions, le moment et la séquence selon laquelle les dons sont collectés et livrés ainsi que le nombre et la capacité des camions utilisés.

La première stratégie logistique représente l’actuel, soit avec entre autres les routes de camions actuelles, les camions actuellement utilisés ainsi que la stratégie de collecte et de livraison

actuelle. Elle est évaluée afin de servir de scénario de base et d’ainsi illustrer où l’organisme se situe actuellement et vers où il se dirige avec la stratégie logistique actuelle.

La seconde stratégie consiste à l’évaluation des impacts d’une collecte et d’une livraison partielle durant la nuit. Dans un contexte urbain, le temps de transport est énormément affecté par le trafic. En combinaison avec la forte croissance du nombre de sites, nous pouvons à ce stade entrevoir un bon potentiel d’amélioration de la performance de transport en effectuant les routes la nuit – un potentiel d’amélioration pouvant s’accroître avec l’augmentation du nombre de sites dans les années futures. Cependant, il est à noter que certains sites (23% des sites) ne peuvent pas être visités la nuit, en raison de restrictions municipales interdisant aux camions de circuler dans certains quartiers résidentiels à des heures définies. Ainsi, nous avons testé l’impact de la collecte et la livraison de tous les sites possibles durant la nuit et des autres, durant le jour.

La troisième stratégie testée consiste en une modification quant à l’utilisation de la flotte de camions. Actuellement, Renaissance utilise un camion semi-remorque de 36’ seulement pour la livraison des magasins en matinée. Avec sa forte croissance, il sera éventuellement nécessaire d’utiliser ce camion également pour la collecte des centres de dons en après-midi. De surcroît, l’organisme compte acheter un deuxième camion de cette longueur pour l’utiliser pour la collecte de dons. Ainsi, la troisième expérience consiste à évaluer l’impact logistique d’utiliser deux camions de 36’ pour la collecte des dons, en plus du camion utilisé actuellement. Cette stratégie présente des bénéfices potentiels quant à l’optimisation des routes, en permettant de combiner plusieurs sites dans les mêmes routes.

La quatrième stratégie a trait à la séquence de collecte et de livraison. Actuellement, chaque camion collecte les dons d’un centre de don et revient immédiatement au centre de distribution. Les dons y sont triés et sont ensuite rechargés dans un autre camion pour être livrés à leur magasin attitré le lendemain matin. La stratégie logistique évaluée sera donc de collecter les centres de don et de livrer directement à leur magasin attitré, sans passer par le centre de distribution. Dans cette stratégie, il faut cependant souligner le fait que des camions devront tout de même livrer les dons des boîtes de dons aux magasins à partir du centre de distribution.

Finalement, la dernière stratégie évaluée a uniquement trait à l’évaluation de l’impact des contraintes d’accessibilité des sites et de la flotte de camions utilisée sur la performance logistique. Ainsi, cette expérience implique l’utilisation de seulement des camions 36’ pouvant

accéder à tous les sites. Elle n’est donc pas applicable à courte échéance. Elle ne servira que de référence afin d’établir le potentiel d’amélioration maximum pouvant être atteint en modifiant seulement la flotte de camions.

Au total, quatre principales stratégies logistiques sont évaluées sous trois scénarios de croissance différents, en effectuant 10 réplications par expérience, pour un total de 120 expériences. Le tableau suivant résume le plan d’expériences réalisé.

Tableau 3.1 : Plan d'expériences

Stratégie logistique

Scénarios de croissance

1. Stratégie actuelle Actuel, 10%, 20%

2. Livraison et collecte partielle la nuit Actuel, 10%, 20% 3. Utilisation de deux camions 36’ pour la collecte des dons Actuel, 10%, 20% 4. Collecte de centres de dons et livraison directe aux magasins Actuel, 10%, 20%

3.6 Recommandations

En fonction des résultats obtenus et après l’analyse de chacun des plans d’expériences, des recommandations sont ensuite effectuées sur les meilleures stratégies logistiques à adopter pour soutenir la croissance de Renaissance.

CHAPITRE 4

ARTICLE 1: SIMULATION-BASED OPTIMIZATION OF

REVERSE LOGISTICS STRATEGIES IN A SECOND-HAND GOODS

COMPANY

Authors : Jean-Gabriel Farmer, Jean-Marc Frayret

4.1 Introduction

This paper proposes a simulation approach to evaluate potential logistics strategies to reduce the reverse logistic costs of a second-hand goods company’s supply chain. The studied organization is a not-for-profit organization in the retail sector that gives a second life to end-of-life goods (e.g., clothes, electronics, furniture) by collecting and reselling them. The logistics of this organization is categorized as reverse logistics. This introduction section proposes an overview of reverse logistics, as well as the specific constraints addressed in this paper.

4.1.1 Reverse logistics in a second-hand goods context

One of the main challenges of reverse logistics lies in the uncertainty related to supply volume and quality. In the context of second-hand goods, the quantity of products donated by people every day is highly variable and presents a high seasonality. This variation and seasonality can be explained in part by external conditions, such as weather (i.e., people donate less in winter) or by specific behaviours, such as the annual spring cleaning. Another challenge is related to the quality of the items donated. Indeed, a large part of these items cannot simply be resold because it would cost more to refurbish them than buying them new. Therefore, second-hand goods companies must optimize their ability and capacity to collect these goods and sort them.

The optimization problem studied in this paper is that of a non-profit organization based in Montreal, Quebec, which operates in high-density urban conditions. This paper develops and uses a hybrid simulation platform to analyze the performance of several logistics strategies in order to optimize its future operations.

The logistics network of this organization consists of donation centers, donation boxes, stores and one distribution center. One of the main challenges of the project lies in the complexity of their logistics network. Indeed, the organization collects donations from its many donation centers and

boxes, and ships them to its distribution center, before it distributes them to its stores. Different types of empty and full bins are also transferred to donation centers, stores and its distribution center. In other words, bins can be both picked-up and delivered at any site.

In order to simplify vehicle routes planning, these logistic activities are currently carried out independently (i.e., there is no pick-ups and deliveries on the same route), and all donations are transferred through the distribution center before being shipped to their designated stores.

4.1.2 Objectives

The objective of this paper is to assess different logistic strategies using a hybrid discrete event and agent-based simulation model, while considering different growth scenarios. Because there are a limited number of strategies to assess, simulation was used in order to easily cope with the high variability of donations. First, Section 2 presents an overview of the relevant literature. Next, Section 3 introduces the proposed simulation model. Finally, based on the carried out simulation experiments, an evaluation of the impact of different logistics strategies in the context of multiple growth scenarios is presented. Performance is evaluated in terms of overall transportation distance, average travel time per day, and CO2 emissions.

4.2 Literature review

Supply chains consist of suppliers, manufacturers, distribution centers and stores Supply chain logistic strategies have been extensively studied in the retail business. For example, Zhang (2009) studies the impact of pull flow vs. push flow in various contexts. Watanarawee (2010) studies the benefits of a fully integrated IT strategy combined with product-tracking technologies, while others, such as Ryu (2009) explain the long-term benefits of creating strategic partnership across the supply chain.

4.2.1 Reverse logistics

Reverse logistics starts where the traditional supply chain ends, namely when the end customer buys the product. According to the Council of Logistics Management, reverse logistics is “used to refer to the role of logistics in recycling, waste disposal, and management of hazardous materials; a broader perspective includes, all issues relating to logistics activities to be carried out in source reduction, recycling, substitution, reuse of materials and disposal” (De Brito, 2004). It

takes its roots in the reuse of end-of-life products, either to transform them into usable by-products, or to extract raw material and create completely different products. Olshavsky (1985) explains that customers must dispose of their end-of-life products in the best possible way. For them, recycling products is linked to their willingness to reduce the long-term environmental impact of their mode of consumption and to achieve sustainable development (Sarkis, Helms, & Hervani, 2010). The term “green logistics” has emerged and is used to designate the awareness of the environment in a reverse logistics context (Guoyi, 2011). The recycling of domestic products is a good example of an everyday application of reverse logistics. The interested reader is also referred to Dekker et al., (2012) for a review of optimization technics in green logistics.

Rogers and Tibben-Lembke (1999) have proposed a categorization of reverse logistics applications. They either concern the product itself, or its packaging. The authors also present the main activities related to end-of-life products management, including their return to their suppliers, their reselling, their recycling and their reconditioning/refurbishing for resale. Concerning packaging, the main activities include their reuse for another product, their refurbishing for resale, and their recycling to use as raw material. Beyond the need to comply with regulations or their desire to contribute to sustainable development, companies strive to increase the efficiency of their reverse logistics activities, as these activities do not necessarily involve direct added value. However, as mentioned in Section 1, the optimization of these activities is difficult thanks to the intrinsic variable quantity and quality of returned goods (Zhao, 2008). For the interested readers, Maynard et al., (2013) present a case study on the logistics challenges encountered by the non-profit organization Oxfam.

Furthermore, in the context of a second hand goods company, logistics involves both the return of end-of-life product and their distribution for resale. Like in the retail industry, one way to establish a strong customer base is to give customers product diversity. In a second hand goods company, this involves moving frequently unsold items from one store to the other. This entails a constant management of inventories both in terms of rotation and transportation.

4.2.2 Logistic strategy optimization

In this paper, the design of an efficient logistic strategy involves two distinct challenges. First, because both resources (e.g., trucks, trailers) and processes (e.g., routing constraints, route schedules) can be affected by the strategic design, this project involves solving a common

transportation optimization problem known as the vehicle routing problems (VRP). VRP has been studied a lot in scientific literature in operational research because of its multiple applications in our everyday lives (Panapinun & Charnsethikul, 2005). Laporte (1992) presents a survey of the different solutions to various classes of VRP. In its most basic form, VRP consists of creating routes in such a way that all sites are visited exactly once by only one truck and all vehicles start and finish at a depot. VRP may involve constraints such as truck capacity, time windows for pick-up or delivery, and a maximum total time per route. The term “urban logistics” has been defined to designate classes of VRP characterised by a high variability in transportation time due to traffic (Pillac, Gendreau, Guéret, & Medaglia, 2013). The interested reader is referred to Barcelo et al., (2007) and Zempekis et al., (2007) for more information on this class on VRP. Another variation of the VRP, which concerns the subject of this paper, involves the creation of routes with both pick-ups and deliveries. In other words, the space used in the truck can either increase or decrease, depending on the quantity of goods to be delivered and collected. Again, in the context of a second-hand goods company, the high variability of the collected goods renders the definition of an efficient logistic strategy a difficult task (Nagy & Salhi, 2005).

Second, because of the variability of both demand and supply, this project also involves the need to assess the impact of variability on the quality of the logistic strategy. Logistics and supply chain optimization can be supported by different methods (e.g., inventory theory, mathematical programming). These techniques are effective to optimize supply chain operations. However, they are either limited or complex to implement when dealing with various sources of uncertainty in complex systems. In this type of environment, simulation is appropriate and usually easier to implement. Simulation is used in order to identify tendencies and recurring behaviours, and analyze the performance of specific solutions in various environmental conditions. This ability to represent stochastic contexts supports making informed decisions even with highly variable attributes. Simulation consists in creating a simplified virtual model of the studied phenomenon. The model consists of a set of input and output variables, with more or less complex rules dictating the links between them (Gilbert & Troitzsch, 2005). Cartier and Forgues (2006) and (Othman & Mustaffa, 2012) discuss the benefits of simulation.

Agent-based simulation (ABS) is an emergent simulation technique (Macal & North, 2006) that aims at modeling the individual behaviours and interactions of the different entities of a system. Instead of modeling the interconnections between the aggregated components of a system in a

sequential manner, such as in discrete-event simulation, ABS focuses on the way the actors of a system react to their environment, influence each other and make decisions related to a constantly evolving context. Barbati et al., (2012) made a survey of the recent literature related to the applications of ABS in an optimization context. Among other applications, ABS can be effectively used in supply chain optimization, by reproducing the behaviour of its main actors. (Borshchev & Filippov, 2004; Scholl, 2001) describe the benefits of ABS. In the green logistic context, (Kraines & Wallace, 2008) explore its possible usage in industrial ecology. For example, Sauvageau and Frayret (2015) use ABS to study the performance of different supply and production policies in a waste paper procurement supply chain. Similarly, Bollinger et al., (2012) propose an ABS approach to study mobile phone recycling, which is similar to the context of this paper, which involves the collection and delivery of second-hand products, and uncertainties related to the quantity and quality of collected products. The next section presents our hybrid discrete event and agent-based model.

4.3 Simulation model

The first section presents a general overview of the model developed, while the second section details all components of the model and describes their interactions.

4.3.1 General overview

The general overview of the model includes many aspects of the reverse logistic problem on hand. The first sub-section describes the company’s operating sites.

4.3.1.1 Supply chain sites

The studied logistic system is essentially composed of five types of sites. The first type of sites includes 21 donation centers. They are used exclusively to receive donations from people and are strategically located in richer areas to maximize the number and value of donations. There is generally only one working employee per site and his/her task simply consists of receiving and sorting donations. The sorting process is described below.

The second type of sites includes about 90 donation boxes. These boxes are usually located in areas with high pedestrian traffic, such as train stations or commercial centers. People can bring